C01
Verbesserungen der Kognition während des Alterns erfordern die Mobilisierung neuraler Ressourcen durch effektive Trainingsinterventionen. Wir gehen davon aus, dass die Mobilisierung neuraler Ressourcen optimiert werden kann, indem die Aufgabenanforderungen der aktuellen Leistungsfähigkeit angepasst wird. Wir bezeichnen die Lücke zwischen Aufgabenanforderung und Leistungsfähigkeit (funktionale Aufgabenschwierigkeit) als Ability Prediction Error (APE). Mithilfe von Computermodellierung und longitudinaler quantitativer MRT (qMRI ) wollen wir untersuchen, wie das Training mit experimentell manipulierten APEs (Unterlast, optimale Belastung, Überlastung) sensomotorische Leistungsverbesserungen, Transferleistungen auf Kognitionen sowie die Mobilisierung neuraler Ressourcen auf makro- und mikrostruktureller Ebene des Gehirns optimal fördern kann.
Gruppenleitung
Prof. Dr. Marco Taubert
Dr. Gabriel Ziegler
Gruppenmitglieder
Norman Aye
Dr. Nico Lehmann
Martin Matke
Nisha Prabhu
Expansions – Renormierungsmodell
der Plastizität
Nach dem Expansions-Renormalisierungs-Modell folgen lerninduzierte strukturelle Hirnveränderungen häufig einer Abfolge von Expansion, Selektion und Renormalisierung. Das menschliche Lernen kann eine anfängliche, aber vorübergehende Phase der Zunahme des Volumens der grauen Substanz beinhalten, gefolgt von einer teilweisen oder sogar vollständigen Rückkehr zum Eingangsvolumen, sobald ein verhaltensoptimaler neuronaler Schaltkreis selektiert wurde (Wenger et al., 2017). Das Expansions-Renormalisierungsmodell geht davon aus, dass Transfereffekte des Trainings auf andere verwandte Aufgaben am wahrscheinlichsten bei oder kurz vor Erreichen des Höhepunkts der Volumenexpansion sind, was zu einer genaueren Untersuchung der zeitlichen Eigenschaften der Plastizität und ihrer Beziehung zu CRC-definierten neuronalen Ressourceneigenschaften anregt. Abhängig von der jeweiligen Phase der Plastizität (d.h. Expansion der grauen Substanz, Renormalisierung der grauen Substanz), kann der aktivierte neuronale Schaltkreis mehr oder weniger anfällig für positive oder negative Transfereffekte auf ähnliche Lernaufgaben sein (Richards & Frankland , 2017).
Übereinstimmung von Aufgaben-anforderungen und Fähigkeiten
Es wurde die Hypothese aufgestellt, dass die Trainingsintensität, definiert als die Diskrepanz (oder Lücke) zwischen der aktuellen Leistungsfähigkeit einer Person und der gestellten Aufgabenanforderung (Lövdén et al., 2010; Lindenberger , 2016), die Gehirnplastizität und die damit verbundenen Verhaltensverbesserungen beeinflusst (spezifische aufgabenbezogene Leistungssteigerungen und deren potenzieller Transfer). Es wird daher erwartet, dass sich die Aufgabenanforderungen im Bereich der funktionellen Kapazität (Unterlast < Optimum > Überlastung) befinden müssen, um die Plastizität optimal anzuregen (Lövdén et al., 2010). Modellbasierte Vorhersagefehler werden zunehmend in Computational Neuroscience, Reinforcement Learning und der Modellierung von Trial-by-Trial-Entscheidungsprozessen verwendet (Dayan, 2005). In diesem Projekt wollen wir die obige Hypothese testen, indem wir Ability Prediction Errors (APEs) experimentell manipulieren, d.h. die quantitative Diskrepanz zwischen den erforderlichen Aufgabenanforderungen und der aktuellen Fähigkeit (Schätzung) des Probanden im Lernprozess zweckmäßig verändern. APEs werden eine zentrale Rolle bei unserer Entwicklung eines Computermodells zur Mobilisierung neuraler Ressourcen spielen. Das Computermodell soll dann multimodale strukturelle MRT-Muster trainingsinduzierter Plastizität in einem frontalen Kortexnetzwerk vorhersagen.
Quantitative MRT
Quantitative Magnetresonanztomographie (qMRT) ist ein vielversprechendes Werkzeug zur Untersuchung trainingsinduzierter Plastizität beim Menschen aufgrund ihrer Empfindlichkeit gegenüber (oft als „mikrostrukturell“ bezeichneten) Hirngewebeeigenschaften wie Axonen, Myelin und Eisen (Weiskopf et al., 2015, Tardif et al., 2016, Tabelow et al., 2019, Ziegler et al., 2018, 2019). „Mikrostrukturell“ bezieht sich in dieser speziellen Forschungsrichtung auf quantitative Aspekte des Hirngewebes (z. B. Myelingehalt pro Volumen) und ist unabhängig von der tatsächlichen Bildauflösung, mit der es räumlich abgebildet wird (z. B. hier Meso- oder Makroskala). Die qMRT geht über die traditionelle Hirnmorphometrie hinaus, die Volumenunterschiede oder Gewebeausdehnung charakterisiert, was traditionell als „makrostrukturell“ bezeichnet wird. Longitudinale qMRT -Trainingsstudien, die darauf abzielen, mikrostrukturelle Beiträge zu makrostrukturellen Expansions- und Renormalisierungszyklen zu analysieren, fehlen noch.
Ziele des Projekts
Dieses Projekt entwickelt ein computergestütztes Gehirn-Verhaltensmodell für die Reorganisation frontaler neurokognitiver Schaltkreise. Das Modell betrachtet die Gehirnveränderungen als zweckmäßige Methoden, um den Anforderungen einer neuartigen Aufgabe bestmöglichst gerecht zu werden. Wir betrachten dabei den Verlauf von Gehirnveränderungen während des Trainings und schließen Makro- und multiple (Mikro-) strukturelle Bildgebungsmodalitäten (MT, R2* & DTI/NODDI) in die Betrachtung ein. Wir untersuchen die Lernverläufe einer CRC-Kohorte (Z03-Düzel/ Maass / Kreißl) von 60 älteren Teilnehmern mit dynamischer Systemmodellierung und hierarchischer Bayes’scher Inferenz. Wir nehmen an, dass experimentell manipulierte APEs spezifische Anpassungen des Gehirns und des Verhaltens vorhersagen. Die dynamischen Modellparameter repräsentieren (1) die „Aktualisierungsregeln“ (oder Dynamik) der wöchentlichen individuellen Leistung und die (2) „mikrostrukturellen kortikalen Aktualisierungen“, die diesen Leistungsverbesserungen während des Lernens zugrunde liegen. Jeder Teilnehmer, der die sensomotorische Fertigkeit erwirbt, hat einen anfänglichen nerval-verhaltensrelevanten Zustand (eine bestimmte rohe Fähigkeit/Ressource), passt sich gemäß Mechanismen über manipulierte APEs an und endet in einem Endzustand, der individuelle Einschränkungen der Plastizität widerspiegelt. Schließlich untersuchen wir die individuellen Unterschiede und den Beitrag versteckter pathologischer Zustände (wie Amyloid) zu trainingsinduzierten Gehirn- und Leistungsveränderungen.
Pilotstudie zur Bildgebung
In einer Pilotstudie zur Test-Retest-Zuverlässigkeit bewerteten wir Multiparameter-Karten (MPM) für qMRT sowie Diffusions-Tensor-Bildgebung (DTI) inkl. Neurite-Orientation and Dispersion Bildgebung (NODDI) in N = 30 Probanden an zwei Messzeitpunkten im Abstand von einem Monat. Insbesondere die voxelbasierte Zuverlässigkeit für fortgeschrittene Bildgebungsmarker (MPMs und NODDI-Parameter) war vielversprechend (Lehmann et al., 2021, Aye et al., in Überprüfung) und unterstützt die Anwendung dieses Bildgebungsprotokolls zur Kartierung von Veränderungen des Frontallappens während des Trainings.
Verhaltenssteuerung
Unser Ziel ist es, das bisherige Paradigma des Gleichgewichtstrainings (Sehm et al., 2014) zu erweitern und ein Fähigkeitstestprotokoll für die APE-Manipulation während des Trainings zu entwickeln. Zunächst schaffen wir die Voraussetzungen für eine feinkörnige Bewertung der aktuellen Fähigkeiten des Probanden während jeder Übungseinheit. Die Aufgabenschwierigkeit wird dann über zusätzliche mechanische Belastungen während des Trainings adaptiv reguliert, um die funktionelle Aufgabenschwierigkeit entsprechend der aktuellen Gleichgewichtsleistung jedes Teilnehmers zu manipulieren. Unter Verwendung dieses Stabilometer-Paradigmas werden wir die Aufgabenschwierigkeit über sechs Trainingseinheiten hinweg manipulieren (Studie 1: N = 30 ältere Teilnehmer zwischen 60 und 75 Jahren). Wir bewerten motorische Aufgabenverbesserungen und die Transferleistungen mithilfe motorischer und neuropsychologischen Tests.
Längsschnitt-Neuroimaging-Studie
Wir werden eine Interventionsstudie (Studie 2) mit 60 gesunden älteren Teilnehmern (60-75 Jahre) aus der zentralen Kohorte des CRC (Z03) durchführen. Die Teilnehmer werden während des Trainings zufällig in experimentelle Hauptgruppen mit optimierten vs. suboptimalen APEs eingeteilt. Jüngste Entwicklungen der MRT-Technologie ermöglichen es uns, über morphometrische Beurteilungen hinauszugehen, um Multi-Parameter-Mapping (MPM) der Mikrostruktur (MT, R1, R2*, PD) zu realisieren und die Stärke der qMRT mit fortschrittlicher Diffusions-MRT (NODDI) zu kombinieren. Wir sind in einem internationalen Team an der Softwareentwicklung modernster Verarbeitungsroutinen für quantitative Bildgebungsdaten beteiligt (www.hmri.info; siehe Tabelow et al., 2019). Basierend auf 6 wöchentlichen Beobachtungen werden wir die Mobilisierung neuraler Ressourcen in einem frontalen Gehirnnetzwerk testen, das aus primärem motorischem Kortex (Taubert et al., 2016), Prä-SMA/SMA, dorsolateralem präfrontalem Kortex, anteriorem präfrontalem Kortex und Hippocampus sowie angrenzende Nervenfaserbahnen besteht (Taubert et al., 2010, 2011; Sehm et al., 2014; Lehmann et al., 2019).
Computermodell der Plastizität
Wir werden frühere Arbeiten zur dynamischen Modellierung (Ziegler et al. 2017, Johnson/Ziegler et al .. 2021) erweitern, um ein quantitatives Modell der makro- und mikrostrukturellen Gehirnplastizität zu erstellen, die durch das Erlernen der neuen sensomotorischen (Gleichgewichts-)Aufgabe induziert wird. Wir werden uns auf einen hypothetischen neurokognitiven Schaltkreis (interessierende Regionen) konzentrieren, einschließlich der Bereiche des motorischen, prämotorischen und vorderen präfrontalen Kortex. Ein dynamisches System mit (makro- und mikrostrukturellen Zuständen) erfasst multipametrische MRT-Messungen und relevante Parameter werden auf Einzelsubjekt- und Gruppenebene unter Verwendung von Bayes’scher Inferenz geschätzt. Ein evidenzbasierter Modellvergleich wird durchgeführt, um das dynamische Modell mit traditionelleren Polynommodellen zu vergleichen. Die trainingsinduzierten nichtlinearen Gehirnveränderungen und modalübergreifenden Wechselwirkungen verschiedener Prozesse werden durch Modellparameter erfasst, wodurch wir erstmals das Zusammenspiel von Myelinisierung/Eisenveränderungen und Volumenexpansion-Renormalisierung während des Trainings untersuchen können.
Langfristige Perspektive
Langfristig zielt das Projekt darauf ab, (1) eine Trainingsinterventionsstrategie zu entwickeln, welche die Mobilisierung neuronaler Ressourcen in einem optimalen Kosten-Nutzen-Verhältnis anregt (Kosten = Trainingszeit; Nutzen = mobilisierte neuronale Ressourcen der Kognition). Darüber hinaus entwickelt das Projekt (2) ein verbessertes Verständnis der zentralen Determinanten, die der strukturellen Plastizität des Gehirns zugrunde liegen (und die mit modernster Bildgebung untersucht werden können). Unsere Forschungsagenda konzentriert sich auf die Überwindung der deskriptiven Natur der bisherigen Forschung zur trainingsinduzierten Plastizität. Im Gegensatz zu früheren Arbeiten, bei denen Gehirnveränderungen induziert und „nur“ beobachtet wurden, werden wir der Vision folgen, eine neue Generation von generativen Modellen zu entwickeln, die eine quantitative Darstellung der hypothetischen Treiber neuronaler Veränderungen auf verschiedenen Ebenen beinhalten (resultierend aus einem Anforderungs-Fähigkeits-Missverhältnis während einer Interaktion mit der Umgebung).